VMF-GOS：基于几何引导的虚拟离群点合成用于长尾分布下的异常检测
计算机视觉与模式识别
2026-02-06 v1
摘要
在长尾分布下进行异常离群分布（OOD）检测是一个极具挑战性的任务，因为尾部类别样本稀缺导致特征空间中的决策边界模糊。当前的状态方法（SOTA）通常采用离群点暴露（OE）策略，依赖大规模真实外部数据集（如 8000 万 Tiny Images）来正则化特征空间。然而，这种对外部数据的依赖在实际部署中常常不可行，由于高的数据获取成本和隐私敏感性。为此，我们提出一种新颖的数据无关框架，旨在完全消除对外部数据集的依赖，同时保持卓越的检测性能。我们引入几何引导的虚拟离群点合成（GOS）策略，该策略在纳米米-菲舍尔（vMF）分布的基础上，对特征空间中的低概率环形区域进行建模，并在该区域内进行方向性采样以生成虚拟离群点。同时，我们引入一种新的双粒度语义损失（DGS），利用对比学习最大化类别特征与这些合成边界离群点之间的区分性。在 CIFAR-LT 等基准测试上进行的广泛实验表明，我们的方法优于使用外部真实图像的 SOTA 方法。
引用
@article{arxiv.2602.05415,
title = {VMF-GOS: Geometry-guided virtual Outlier Synthesis for Long-Tailed OOD Detection},
author = {Ningkang Peng and Qianfeng Yu and Yuhao Zhang and Yafei Liu and Xiaoqian Peng and Peirong Ma and Yi Chen and Peiheng Li and Yanhui Gu},
journal= {arXiv preprint arXiv:2602.05415},
year = {2026}
}